Fugu-MT 論文翻訳(概要): Centrality Meets Centroid: A Graph-based Approach for Unsupervised Document Summarization

論文の概要: Centrality Meets Centroid: A Graph-based Approach for Unsupervised Document Summarization

arxiv url: http://arxiv.org/abs/2103.15327v1
Date: Mon, 29 Mar 2021 04:35:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 15:12:24.522350
Title: Centrality Meets Centroid: A Graph-based Approach for Unsupervised Document Summarization
Title（参考訳）: centrality meets centroid:教師なし文書要約のためのグラフベースのアプローチ
Authors: Haopeng Zhang and Jiawei Zhang
Abstract要約: 抽出文書要約のためのグラフベースの非監視手法を提案する。提案手法は,グラフ集中度とセントロイドを利用して,要約レベルで機能する。
参考スコア（独自算出の注目度）: 13.12794447731674
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised document summarization has re-acquired lots of attention in recent years thanks to its simplicity and data independence. In this paper, we propose a graph-based unsupervised approach for extractive document summarization. Instead of ranking sentences by salience and extracting sentences one by one, our approach works at a summary-level by utilizing graph centrality and centroid. We first extract summary candidates as subgraphs based on centrality from the sentence graph and then select from the summary candidates by matching to the centroid. We perform extensive experiments on two bench-marked summarization datasets, and the results demonstrate the effectiveness of our model compared to state-of-the-art baselines.
Abstract（参考訳）: 教師なしのドキュメント要約は、その単純さとデータの独立性により、近年、多くの注目を集めている。本稿では,抽出文書要約のためのグラフベース非教師なし手法を提案する。文章をサリエンスでランク付けし,文章をひとつずつ抽出する代わりに,グラフ集中度とセントロイドを利用して要約レベルで動作する。まず,要約候補を文グラフから中心性に基づいてサブグラフとして抽出し,その要約候補からセンタロイドにマッチングして選択する。ベンチマークされた2つの要約データセットについて広範な実験を行い,本モデルの有効性を最先端ベースラインと比較した。

関連論文リスト

Incremental Extractive Opinion Summarization Using Cover Trees [81.59625423421355]
オンラインマーケットプレースでは、ユーザレビューは時間とともに蓄積され、意見要約を定期的に更新する必要がある。本研究では,漸進的な環境下での抽出的意見要約の課題について検討する。本稿では,CentroidRankの要約をインクリメンタルな設定で正確に計算するアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-01-16T02:00:17Z)
Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文参考訳（メタデータ） (2022-12-08T11:53:12Z)
Unsupervised Extractive Summarization with Heterogeneous Graph Embeddings for Chinese Document [5.9630342951482085]
中国語文書にヘテロジニアスグラフ埋め込み (HGE) を組み込んだ教師なし抽出サマリザイトン法を提案する。実験結果から,本手法は3つの要約データセットにおいて,強いベースラインを一貫して上回ることを示した。
論文参考訳（メタデータ） (2022-11-09T06:07:31Z)
An analysis of document graph construction methods for AMR summarization [2.055054374525828]
本稿では,文書と要約のノード間のアライメントを人間にアノテートした新しいデータセットを提案する。本稿では,これらの2種類の評価方法とノードマージの新しい手法を適用し,新しい手法が従来の方法よりもはるかに優れた性能を示すことを示す。
論文参考訳（メタデータ） (2021-11-27T22:12:50Z)
SgSum: Transforming Multi-document Summarization into Sub-graph Selection [27.40759123902261]
既存の抽出多文書要約(MDS)手法は、各文を個別にスコアし、一つずつ有能な文を抽出して要約を構成する。サブグラフ選択問題としてMDSタスクを定式化する新しいMDSフレームワーク(SgSum)を提案する。我々のモデルは従来のMDS法と比較して、より一貫性があり、情報的な要約を生成できる。
論文参考訳（メタデータ） (2021-10-25T05:12:10Z)
A Training-free and Reference-free Summarization Evaluation Metric via Centrality-weighted Relevance and Self-referenced Redundancy [60.419107377879925]
トレーニング不要かつ参照不要な要約評価指標を提案する。我々の測定基準は、集中度重み付き関連度スコアと自己参照冗長度スコアからなる。提案手法は,複数文書と単一文書の要約評価において,既存の手法よりも大幅に優れる。
論文参考訳（メタデータ） (2021-06-26T05:11:27Z)
Unsupervised Extractive Summarization by Pre-training Hierarchical Transformers [107.12125265675483]
教師なし抽出文書要約は、訓練中にラベル付き要約を用いることなく、文書から重要な文章を選択することを目的としている。既存の手法は主にグラフベースで、文をノードとして、エッジの重みは文の類似性によって測定される。教師なし抽出要約のための文のランク付けにはトランスフォーマーの注意が利用できることがわかった。
論文参考訳（メタデータ） (2020-10-16T08:44:09Z)
Summary-Source Proposition-level Alignment: Task, Datasets and Supervised Baseline [94.0601799665342]
資料の参照要約における文のアライメントは,補助的な要約作業として有用であった。本稿では,2つの重要な新機能を導入しながら,要約ソースアライメントを明示的なタスクとして確立することを提案する。我々は提案レベルのアライメントのための新しいトレーニングデータセットを作成し、利用可能な要約評価データから自動的に抽出する。教師なしアプローチよりも優れたアライメント品質を示す教師付き命題アライメントベースラインモデルを提案する。
論文参考訳（メタデータ） (2020-09-01T17:27:12Z)
SummPip: Unsupervised Multi-Document Summarization with Sentence Graph Compression [61.97200991151141]
SummPipはマルチドキュメント要約のための教師なしの手法である。元の文書を文グラフに変換し、言語表現と深層表現の両方を考慮に入れます。次に、スペクトルクラスタリングを適用して複数の文のクラスタを取得し、最後に各クラスタを圧縮して最終的な要約を生成する。
論文参考訳（メタデータ） (2020-07-17T13:01:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。